Локално Windows приложение за AI музикална продукция

Описание на проекта

Изграждам локално Windows desktop приложение за вътрешна употреба, което автоматизира производството на AI-генерирана фонова музика за търговски пространства (кафенета, ресторанти, хотели, спа, уелнес).

❌ НЕ е consumer app
❌ НЕ е SaaS
❌ НЕ е стрийминг платформа

✅ Това е producer tool – инструмент за производство на готови аудио тракове за комерсиална употреба.

Цел (MVP)

Целта е проста, но професионална:

Избирам preset / конфигурация → натискам “Generate” → получавам напълно готови тракове (WAV + MP3)
с коректна дължина, loudness, структура и пълна проследимост (логове).

Приложението трябва да ми дава пълен контрол чрез конфигурационни файлове (preset „скриптове“)
без нужда от промяна на кода.

Таргет среда (важно)

• ОС: Windows 11 Pro

• CPU: AMD Ryzen 7 7700

• RAM: 32 GB

• GPU: AMD integrated (AI генерацията е CPU-only)

• Режим на генерация (MVP): PyTorch CPU build

Интернет:

• допустим при първоначална инсталация / първо пускане (напр. за model weights)

• след това: пълна офлайн работа

(Налична е AMD Radeon RX 6700 XT, но се използва само за дисплей, не за AI)

✅ Основни функционални изисквания (MVP)0️⃣ Phase 2 – архитектурно предвидено (НЕ част от MVP deliverables)

Приложението трябва да бъде проектирано така, че да позволява future “curated workflow” без пренаписване на core pipeline-а, а именно:

• Candidate generation: генериране на къси кандидат-тракове (2–3 мин, configurable) за прослушване

• Human gate: PASS / REJECT – само PASS участва във финално сглобяване

• Parallelism: докато потребителят слуша/одобрява, генерацията може да продължава във фонов режим
  (non-blocking UI + queues)

   Реализацията може да е извън MVP, но архитектурата трябва да го позволява без major refactor.

- Continuous / unattended operation:

  Приложението трябва да поддържа продължителна работа (24/7),

  при която AI генерацията може да работи непрекъснато във фонов режим,

  докато потребителят паралелно:

  - слуша вече генерирани тракове

  - одобрява/отхвърля сегменти

  - извършва рязане и сглобяване на финални тракове,

  без тези действия да блокират или спират генерацията.

1️⃣ Desktop UI (Windows приложение)

Прост, стабилен, non-blocking интерфейс

Inputs:

• Избор на Preset / Канал (напр. Cafe / Restaurant / Hotel / Spa)

• Крайна дължина: 10 / 20 / 30 минути

• Брой тракове: 1–50

• Ниво на вариация: Low / Medium / High

• Избор на output папка

UX изисквания:

• UI остава responsive по време на генерация

• Job queue

• Progress bar

• ETA (ориентировъчно)

• Статуси: Waiting / Running / Paused / Done / Failed

2️⃣ Preset система = “Скриптове” чрез конфиг (ЗАДЪЛЖИТЕЛНО)

Приложението ТРЯБВА да използва presets.yaml или presets.json, които действат като
скриптове/шаблони за музикална продукция.

Изисквания:

• четим и редактируем файл

• без промяна на кода

• приложението просто чете и изпълнява конфигурацията

Всеки preset съдържа минимум:

• preset_name

• preset_version (v1, v1.1 и т.н.)

• prompt_template

• negative_prompt (optional)

• default generation parameters (temperature, top-k/top-p, cfg и др.)

• default segment length (30–60s)

• seed strategy: fixed / random / predefined list (optional)

• допълнителни тагове (mood, tempo, energy – като метаданни)

UI функции:

• бутон “Reload presets”
  или

• “Open presets file” + Reload

➡️ Това ми позволява да добавям профили, версии и да експериментирам без developer намеса.

3️⃣ AI генериране на музика

• MusicGen (Audiocraft) или еквивалентен open-source модел

• Генериране на 30–60 сек сегменти

• CPU-only execution

Детерминизъм и traceability:

• seed се запазва

• всички параметри се логват

• при същия preset + seed → сравним резултат

Model weights:

• автоматично изтегляне при първо пускане
  или

• bundle-ване (ако е възможно)

• след това: пълна офлайн работа

4️⃣ Автоматичен аудио pipeline

За всеки финален трак:

• Генериране на N сегмента

• Stitch в дълъг трак:

  • crossfade: 5–8 сек

• Loudness нормализация:

  • ~-17 LUFS Integrated (EBU R128)

  • true peak ≤ -1.0 dBTP (или -1.5 dBTP)

  • prefer 2-pass loudnorm

• Export:

  • WAV (master)

  • MP3 (delivery)

ffmpeg:

• използва се за processing

• bundle-нат с инсталатора

• без ръчни инсталации

5️⃣ Queue / Job Manager

• Множество jobs

• Последователно изпълнение

• Start / Pause / Resume / Stop

• При грешка:

  • job → Failed

  • error се записва в лог

  • по възможност се продължава със следващ job

6️⃣ Logging & Traceability (задължително)

За всеки финален трак се записва log.json с пълни метаданни:

Минимум:

• preset_name + version

• prompt_template (+ negative_prompt)

• seed

• model_name + version

• generation parameters

• segment duration + count

• crossfade duration

• final duration

• target LUFS + measured LUFS

• target true peak + measured true peak

• export settings

• timestamp

• app_version

 Output структура (пример)

/output
 └─ /cafe_chill
  ├─ cafe_chill__v1__20min__seed123.wav
  ├─ cafe_chill__v1__20min__seed123.mp3
  └─ log.json

✅ Acceptance Criteria

Проектът се счита за завършен, когато всички условия по-долу са изпълнени:

1️⃣ Инсталация и базова работа

• Мога да инсталирам приложението на Windows 11 чрез 1-click installer. (или се инсталира с отдалечен достъп) 

• Мога да генерирам поне 1 пълен финален трак (10–30 мин) без използване на command line.

2️⃣ Генериране и audition workflow (ЗАДЪЛЖИТЕЛНО)

• Приложението може да генерира кратки кандидат-тракове с дължина ~2–3 минути.

• За всеки кандидат-трак има възможност за прослушване директно в UI.

• За всеки кандидат-трак мога да избера:

  • PASS (става) → тракът се запазва в Approved pool

  • REJECT (не става) → тракът автоматично отпада (изтрива се или се архивира)

• Само одобрените (PASS) тракове се използват за:

  • автоматично слепване (stitching) в по-дълги финални тракове (напр. 30–60 мин).

3️⃣ Паралелна и непрекъсната работа (ключово)

• Докато:

  • слушам кандидат-тракове,

  • одобрявам / отхвърлям,

  • инициирам слепване на финални тракове,

• приложението продължава да генерира нова музика във фонов режим, без:

  • блокиране на UI,

  • спиране на текущата генерация,

  • ръчно рестартиране на процеси.

• Приложението поддържа продължителна (24/7) работа в unattended режим.

4️⃣ Финален аудио резултат

Всеки финален трак съдържа:

• WAV (master) + MP3 (delivery)

• коректна зададена дължина

• loudness: ~ -17 LUFS Integrated

• true peak: ≤ -1.0 dBTP / -1.5 dBTP

• правилна folder структура

• валиден log.json с всички метаданни

5️⃣ Preset и конфигурационен контрол

• Мога самостоятелно да редактирам presets.yaml/json.

• Мога да добавям нови музикални профили и версии.

• Новите/редактираните presets могат да се използват чрез UI без промяна на кода.

6️⃣ Архитектура и бъдещо надграждане

• Архитектурата на приложението (jobs, queues, pipeline, logging) позволява:

  • разширяване към curated workflow (Phase 2),

  • без major refactor на core логиката.

Какво очаквам от кандидата

• Кратко техническо описание как ще реализира проекта

• Опит с:

  • Python + Windows packaging

  • PyTorch CPU

  • ffmpeg pipeline

• Предложение за milestones